DWF глибокий звіт: ШІ у DeFi перевищує людські можливості у оптимізації доходів, але складні операції все ще поступаються у 5 разів

Оригінальна назва: Чи захоплять агенти DeFi?

Джерело статті: DWF Ventures

Переклад статті: Deep潮 TechFlow

Основні моменти

Автоматизація та діяльність агентів наразі становлять приблизно 19% усіх ончейн активностей, але справжня повна автономність ще не реалізована.

У вузьких, чітко визначених сценаріях, таких як оптимізація доходів, агенти вже демонструють кращу продуктивність ніж люди та боти. Але щодо багатогранних дій, таких як торгівля, люди все ще перевершують агентів.

Між агентами найбільший вплив на результати мають вибір моделей та управління ризиками.

Зі зростанням масштабів використання агентів існує кілька ризиків, пов’язаних із довірою та виконанням, включаючи атаки від шахраїв, натиск стратегій та компроміси конфіденційності.

Постійне зростання активності агентів

За минулий рік активність агентів стабільно зростала, обсяг та кількість транзакцій збільшуються. Ми бачимо, що протокол Coinbase x402 очолив значний розвиток, до нього приєдналися гравці як Visa, Stripe і Google, які запустили свої стандарти. Більшість інфраструктури, що зараз створюється, орієнтована на два сценарії: канали між агентами або виклики агентів, ініційовані людьми.

Хоча торгівля стабільними монетами вже широко підтримується, поточна інфраструктура все ще залежить від традиційних платіжних шлюзів як базової платформи, що означає залежність від централізованих контрагентів. Тому повністю автономний сценарій, коли агент сам фінансує себе, виконує операції та постійно оптимізується залежно від змінних умов, ще не реалізований.

Агенти для DeFi не є зовсім чужими. Багаторічно в ончейн-протоколах існує автоматизація через боти, які захоплюють MEV або отримують надприбутки, що неможливо було б без коду. Ці системи добре працюють у чітко визначених параметрах, які не змінюються часто або не потребують додаткового контролю.

Проте ринок став більш складним з часом. Саме тому з’являється нове покоління агентів, і останні місяці ончейн став майданчиком для їх експериментів.

Реальна продуктивність агентів

За даними звіту, активність агентів зростає експоненційно, з понад 17 000 запущених агентів з 2025 року. Загальний обсяг автоматизації/агентів оцінюється більш ніж у 19% усіх ончейн активностей. Це не дивно, оскільки понад 76% трансферів стабільних монет генеруються ботами. Це свідчить про великий потенціал зростання активності агентів у DeFi.

Автономність агентів охоплює широкий спектр — від чат-ботів, що потребують високого рівня контролю, до агентів, здатних адаптувати стратегії під ринкові умови на основі цілей. У порівнянні з ботами, агенти мають кілька ключових переваг, зокрема швидку реакцію та виконання нової інформації за мілісекунди, а також здатність масштабуватися до тисяч ринків при збереженні високого рівня строгості.

Зараз більшість агентів ще перебуває на рівні аналітиків або помічників, оскільки вони здебільшого ще тестуються.

Оптимізація доходів: високі показники агентів

Обсяг ліквідності, що надається автоматизованими системами, вже перевищує 39 мільйонів доларів США. Це число в основному враховує активи, безпосередньо внесені користувачами у агентів, без урахування капіталу, що маршрутизований через сейфи.

Giza Tech — один із найбільших протоколів у цій сфері, який наприкінці минулого року запустив перший застосунок для агентів ARMA, спрямований на підвищення доходності основних DeFi-протоколів. Він вже залучив понад 19 мільйонів доларів управління активами та забезпечив понад 4 мільярди доларів торгового обсягу агентів.

Високий коефіцієнт торгового обсягу до управлінських активів свідчить про часте ребалансування капіталу агентами, що дозволяє отримувати вищі доходи. Після внесення капіталу в контракт виконання автоматизується, що забезпечує простий однокліковий досвід для користувачів і майже не потребує контролю.

Результати ARMA демонструють високі показники: понад 9.75% річної доходності у USDC. Навіть з урахуванням додаткових витрат на ребалансування та 10% комісії за результати, доходність залишається вищою за стандартні позики на Aave або Morpho. Однак масштабованість залишається ключовою проблемою, оскільки ці агенти ще не пройшли реальні випробування у масштабах основних DeFi-протоколів.

Торгівля: людина значно випереджає

Щодо більш складних дій, таких як торгівля, результати значно різняться. Поточні моделі торгівлі базуються на людських визначених вхідних даних і видають результати згідно з заздалегідь заданими правилами. Машинне навчання розширює цю можливість, дозволяючи моделям оновлювати поведінку на основі нової інформації без явного перепрограмування, переводячи їх у роль помічників. З появою повністю автономних агентів, структура торгівлі зазнає суттєвих змін.

Проводилися кілька змагань між агентами та людьми, результати яких показали значну різницю у продуктивності. Trade XYZ організував змагання між людськими трейдерами та агентами для торгів на своїй платформі. Початковий капітал — 10 000 доларів на кожного учасника, без обмежень щодо кредитного плеча або частоти торгів. Перемога переважно дісталася людям: найкращі трейдери показали більш ніж у 5 разів кращі результати, ніж найкращі агенти.

Також Nof1 провів змагання між моделями агентів (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini), щоб протестувати різні ризикові стратегії — від збереження капіталу до максимального кредитного плеча. Результати показали кілька факторів, що пояснюють різницю у результатах:

Тривалість позиції: сильний кореляційний зв’язок — моделі, що тримають позицію в середньому 2-3 години, значно перевершують ті, що часто змінюють її.

Очікувана прибутковість: показує, чи приносить кожна торгівля в середньому прибуток. Цікаво, що лише перші три моделі мають позитивне очікування, тоді як більшість інших зазнають збитків.

Плечо: моделі з низьким плечем у 6-8 разів працюють краще, ніж ті, що використовують понад 10-кратне плечо, оскільки високий рівень прискорює втрати.

Стратегія підказок: Monk Mode — найкраща модель, тоді як Situational Awareness — найгірша. За характеристиками моделей, зосередженість на управлінні ризиками та менша кількість зовнішніх джерел дають кращі результати.

Базові моделі: Grok 4.20 показує значну перевагу у понад 22% у різних стратегіях підказок і є єдиною моделлю, що в середньому приносить прибуток.

Інші фактори, такі як уподобання до довгих або коротких позицій, обсяг торгів та рівень впевненості, не мають достатніх даних або не виявилися кореляційними з результатами моделей. Загалом, результати свідчать, що агенти краще працюють у чітко визначених обмеженнях, що підкреслює потребу у людській участі у цільовій конфігурації.

Як оцінювати агентів

Оскільки агенти ще перебувають на ранніх стадіях, наразі відсутня універсальна система оцінки. Історична продуктивність зазвичай використовується як орієнтир, але вона залежить від базових факторів, що дають сильні ознаки потенційної високої ефективності агентів.

Результати за різних рівнів волатильності: включають дисципліноване управління збитками під час погіршення умов, що свідчить про здатність агентів розпізнавати зовнішні чинники, що впливають на прибутковість.

Прозорість та конфіденційність: обидва підходи мають свої плюси і мінуси. Прозорий агент, який може бути активовано для копіювання торгів, фактично не має переваг у стратегії. Конфіденційний агент ризикує створити внутрішні вразливості для його розробників, які можуть легко перехопити або швидко реагувати на його дії.

Джерела інформації: важливо, щоб дані, до яких підключені агенти, були надійними та не залежали від одного джерела.

Безпека: необхідно мати аудит смарт-контрактів і відповідну архітектуру зберігання коштів, щоб забезпечити резервні заходи у випадку чорних лебедів.

Наступні кроки для агентів

Щоб масштабувати використання агентів, потрібно багато роботи над інфраструктурою. Це зводиться до вирішення ключових питань довіри та виконання. Автономні агенти без обмежень уже стикнулися з проблемами неправильного управління капіталом.

ERC-8004, запущений у січні 2026 року, став першим ончейн-реєстром, що дозволяє автономним агентам знаходити один одного, формувати верифіковану репутацію та безпечно співпрацювати. Це важливий крок для розкриття потенціалу DeFi, оскільки довіра вбудована безпосередньо у смарт-контракти, що дозволяє агентам і протоколам діяти без дозволу.

Однак це не гарантує, що агенти завжди працюватимуть у добросовісний спосіб, оскільки можливі зловживання репутацією та атаки шахраїв. Тому ще багато роботи потрібно зробити у сферах страхування, безпеки та економічного залучення агентів.

З розширенням активності агентів у DeFi зростає ризик стратегічної натиски. Приклади — ферми доходу, які з часом стискаються через конкуренцію. Аналогічно, якщо багато агентів тренуються та оптимізують під схожі цілі на схожих даних, вони почнуть діяти схожим чином, займаючи схожі позиції та виходячи з подібних сигналів.

У січні 2026 року університет Корнелл опублікував статтю CoinAlg, яка формалізує цю проблему. Прозорі агенти можуть бути арбітражовані, оскільки їхні торги передбачувані та можуть бути перехоплені. Конфіденційні агенти уникають цього ризику, але створюють інший — внутрішню перевагу для розробників, які зберігають інформацію для себе та можуть витягати цінність із непрозорості.

Активність агентів лише прискорюватиметься, і інфраструктура, закладена сьогодні, визначатиме, як працюватиме наступний етап ончейн-фінансів. Зі зростанням використання агентів вони самовдосконалюватимуться та ставатимуть більш чутливими до уподобань користувачів. Тому головним фактором успіху стане довірена інфраструктура, яка займе найбільшу частку ринку.